.png){kind=icon}
返回
Machine-Learning-Based GNSS Signal Anomaly Classification Using COSMIC-2 POD Data
.png){kind=icon}
OA
AI
DOI：10.3390/rs18183074.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电离层闪烁和射频干扰（RFI）影响全球导航卫星系统（GNSS）信号，其区分对于电离层监测和干扰检测至关重要。本研究利用COSMIC-2 1 Hz精密定轨（POD）观测识别与闪烁和RFI相关的GNSS信号异常。采用每颗卫星60 s的滑动窗口，提取双频时序输入和16维统计特征，并基于振幅闪烁指数S4和RFI指数生成Normal、Scintillation和RFI的弱标签。训练并测试了InceptionTimeLite-FiLM-DeepSets联合多卫星模型（其中FiLM表示特征级联线性调制），该模型在2024年数据上进行训练和测试，并直接应用于全年的2025年数据集。在2024年测试集上，Normal、Scintillation和RFI的召回率分别为98.9%、76.1%和58.5%，Macro-F1为0.8227，Matthews相关系数为0.7120。预测的Scintillation发生率在低磁纬度和日落后的子夜前期较高，而预测的RFI发生率集中在北非、中东、南亚和东南亚。结果表明，在弱标签框架下，COSMIC-2 1 Hz POD观测可以支持GNSS信号异常分类和时空分布分析，为长期异常分析提供了一种补充方法。
Keyword:
ionospheric scintillation
radio frequency interference
GNSS signal anomaly classification
COSMIC-2
machine learning
期刊
IF:
4.1
论文数:
7.7K
被引数:
15.1W
机构
引用论文
.png){kind=icon}
分享收藏
Improved Automatic Detection of GPS Satellite Oscillator Anomaly using a Machine Learning AlgorithmOAAI
OAAI分享收藏Machine Learning Classification of Ionosphere and RFI Disturbances in Spaceborne GNSS Radio Occultation Measurements机载GNSS无线电掩星测量中电离层和RFI干扰的机器学习分类
PREAI
分享收藏Automatic detection of ionospheric scintillation-like GNSS satellite oscillator anomaly using a machine-learning algorithm使用机器学习算法自动检测电离层闪烁状GNSS卫星振荡器异常
PREAI
分享收藏
查看更多内容